超越患者不变性：通过动作条件化JEPAs学习心脏动力学
机器学习
2026-04-27 v1
摘要
医疗领域的自监督学习主要依赖基于不变性的目标，即最大化同一患者不同视图之间的相似性。虽然对静态解剖有效，但这一范式在本质上与临床诊断不符，因为它数学上迫使模型抑制被检测的暂时性病变变化。我们提出一种向动作条件化的世界模型的转变，学习疾病进展的动力学，即事件条件化。我们将LeJEPA框架适用于生理时间序列，定义病理不为静态标签，而为作用于患者潜在状态的转换向量。通过预测给定疾病发生后心脏电生理状态的未来状态，我们的模型显式解耦稳定的解則特征与动态病理力。我们在MIMIC-IV-ECG数据集上进行评估，方法在关键分流任务中超越完全监督的基线。关键的是，我们在低资源条件下实现了显著的样本效率：我们的世界模型在监督学习之上超过0.05 AUROC。这些结果表明，建模生物动力学提供的稠密监督信号远比静态分类更稳健。源代码：https://github.com/cljosegfer/lesaude-dynamics。
引用
@article{arxiv.2604.22618,
title = {Beyond Patient Invariance: Learning Cardiac Dynamics via Action-Conditioned JEPAs},
author = {Jose Geraldo Fernandes and Luiz Facury and Pedro Robles Dutenhefner and Wagner Meira},
journal= {arXiv preprint arXiv:2604.22618},
year = {2026}
}